课程文献中心 更多>>

关键词： 图卷积网络   图注意力网络   GAT模块   自监督训练  

摘要： 为解决单目自监督深度估计在缺乏准确真实深度时对复杂场景几何结构的刻画不足问题,本文在原有的基于图卷积网络(Graph Convolutional Network, GCN)的单目深度估计框架上,引入了图注意力网络(Graph Attention Network, GAT)机制,提出了一种GATDepth模型。该模型通过在解码器阶段采用图注意力模块,能够自适应地为相邻节点分配不同权重,从而更精细地保留场景中的几何拓扑关系与不连续性。DepthNet编码器利用CNN提取多层次视觉特征,而解码器则结合转置卷积上采样和GAT模块融合节点特征。通过目标图像与重构图像之间的光度、重投影及平滑性等多重损失进行自监督训练,模型在KITTI数据集上取得了优异的深度估计性能,尤其在远距物体和物体边缘等关键区域表现突出。实验结果表明,所提方法不仅在保证网络效率的同时更好地捕捉了场景关键几何信息,而且在缺乏高质量真实深度的条件下仍能获得可靠且精细的深度预测。To address the issue of insufficient depiction of complex scene geometry in monocular self-supervised depth estimation due to the lack of accurate ground truth depth, this paper proposes a GATDepth model based on the existing monocular depth estimation framework using Graph Convolutional Networks (GCN). The Graph Attention Network (GAT) mechanism is introduced into the model. By adopting graph attention modules in the decoder stage, the model can adaptively assign different weights to adjacent nodes, thereby more finely preserving the geometric topology and discontinuities in the scene. The DepthNet encoder extracts multi-level visual features using CNNs, while the decoder combines transposed convolutional upsampling and GAT modules to fuse node features. The model is trained in a self-supervised manner through multiple losses such as photometric, reprojection, and smoothness losses between the target image and the reconstructed image. The model achieves excellent depth estimation performance on datasets such as KITTI, especially in key areas such as distant objects and object edges. Experimental results show that the proposed method not only better captures key geometric information of the scene while ensuring network efficiency, but also obtains reliable and fine depth predictions even in the absence of high-quality ground truth depth.

关键词： 核心素养   关键能力   二次函数  

摘要： 函数内容涵盖了数学学科核心素养中的数学抽象、逻辑推理、数学建模、直观想象、数学运算与数据分析,是提高学生的数学学科素养的重要载体。本文旨在通过对初中函数单元的研究,重整课堂内容,转变授课方式,培育学生的数学核心素养。

关键词： 路径规划   Bi-RRT*算法   Voronoi图   骨架关键点   启发式采样   节点扩展   双树连接  

摘要： 针对Bi-RRT*算法随机采样导致扩展树生长缺乏导向性、产生大量冗余节点及规划效率低的问题，本文提出了一种基于Voronoi图骨架关键点融合Bi-RRT*的路径规划算法。首先利用骨架提取算法生成全局Voronoi图，然后提取关键点，用于本文算法的全局路径搜索。为解决原有关键点提取算法耗时长及次关键点识别不精确的问题，提出了基于Bidirectional A*的改进骨架路径提取算法和基于点线距离模型的次关键点提取方法，使得关键点提取更加精确且时间缩短约30%。针对Bi-RRT*算法的随机采样导致生成大量冗余节点的问题，本文提出了启发式采样点选择和阈值导向节点扩展策略，通过为关键点赋予代价权重，确保扩展树在采样时具有明确导向性。此外，还提出了前序节点重选父节点、渐进式双树连接和基于代价地图的碰撞检测，大幅提升了路径规划效率。实验结果表明，本文算法在保证路径质量的同时，规划时间相比传统Bi-RRT*算法减少约78%。

关键词： 多模态   情感识别   动态阈值激活函数   Mamba  

摘要： 阐述一种基于动态阈值激活函数(DTAF)的Mamba多模态情感识别方法。该方法通过自适应阈值调整机制,增强神经元对复杂输入信号的响应能力。神经元可根据膜电位与动态阈值之间的关系,实时调节激活阈值,从而在时序任务中表现出更强的适应性和鲁棒性。

关键词： S-系   连通性   完全性   交图  

摘要： 设S是幺半群,M是S-系,M的子系的交图记为G(M).G(M)是简单无向图,它的顶点集由M的非平凡子系构成,顶点集中任意不同的两点是相邻的当且仅当两个非平凡子系不相交.研究了S-系的子系交图的完全性、连通性、直径、围长等性质.

关键词： 主动学习   集合代理   QBC更新策略   多目标优化   生产优化  

摘要： 基于代理模型的优化方法能够实现每个生产阶段对注采方案进行高效动态调整,获得更高的油藏开发采收率和经济效益。现有代理优化方法需要大量计算昂贵的样本来构建代理模型。为此,提出了一种基于主动学习策略和代理集合的代理辅助多目标油藏生产优化方法(ALSA-MOPO)。该方法采用3种常用的代理模型径向基函数网络、高斯过程回归和支持向量回归来构建代理集合,并利用主动学习策略减少建立代理模型所需的样本数量,采用粒子群优化算法来搜索代理集合中最具不确定性和最优的样本,提升代理集合的质量和准确性。在Egg模型上的验证结果表明,在相同迭代次数下,ALSA-MOPO方法在收敛性和多样性方面均优于传统方法,将优化效率提高了50倍,实现了油藏生产的快速决策。

关键词： 财政事权   湖南省   知识产权   政府间财政   改革  

摘要： 各市州、县市区人民政府,省政府各厅委、各直属机构:《湖南省知识产权领域省与市县财政事权和支出责任划分改革实施方案》已经省委、省人民政府同意,现印发给你们,请结合实际认真组织实施。2025年3月21日湖南省知识产权领域省与市县财政事权和支出责任划分改革实施方案为贯彻落实《国务院办公厅关于印发〈知识产权领域中央与地方财政事权和支出责任划分改革方案〉的通知》(国办发〔2023〕48号)精神,按照省委、省政府关于推进政府间财政事权和支出责任划分改革的决策部署,结合我省实际,现制定本实施方案。

关键词： 惩罚性赔偿   赔偿金额   知识产权   计算基数  

摘要： 法答网问题:惩罚性赔偿能否以裁量性方法确定的赔偿金额为计算基数?知识产权惩罚性赔偿,是指在特定情况下对故意侵犯知识产权且情节严重的行为,被侵权人有权请求超出实际损失的赔偿,是落实知识产权最严格保护政策、提升知识产权法治建设战略布局的特殊化法律规制工具。

关键词： 功率器件   热阻   瞬态仿真   热阻测试   结构函数  

摘要： 为了获取功率器件各层材料的热阻,文章对一款IGBT模块进行热阻测试,获取其结构函数曲线。文章通过对该模块进行结构建模,瞬态热仿真,将温升曲线转换成结构函数曲线,并与实测曲线进行拟合校正,校正后的结构模型可以获取各层界面材料热阻在结构函数区间分布,其中芯片层、芯片焊层、DBC上铜层、氧化铝陶瓷层、DBC下铜层、基板焊层、基板热阻值的校正结果分别为0.510、4.085、4.085、20.430、7.149、5.106、26.550 K/kW,并通过功率循环试验与被动热循环试验验证试验前后热阻的退化区间,试验结果与理论分析基本一致。

关键词： 单元整体理念   序列   正弦函数   余弦函数  

摘要： 以“正弦函数、余弦函数的性质”(第2课时)教学为例,从知识结构、研究方法、基本周期、最值点、例题顺序五个方面进行分析,明确本节课的教学序列,从而完成本节课教学设计的全过程。同时,就如何设计课堂教学,落实新课程单元整体教学理念,提升学生核心素养进行深入探讨。